[发明专利]酒店客房超售数的预测方法、装置、设备及存储介质

权利要求书

1.一种酒店客房超售数的预测方法，其特征在于，可实现收益最大化，所述酒店客房超售数的预测方法包括：

步骤S1：采集酒店入住的历史订单数据，对历史订单数据进行处理，得到入住率样本集；

步骤S2：基于入住率样本集，创建日入住率预测模型；

步骤S3：基于日入住率预测模型对待预测日的入住率预测值及客房价格，创建收益模型；

步骤S4：基于入住人数的概率分布和收益模型建立期望收益模型，计算最大期望收益对应的客房超售数。

2.如权利要求1所述的酒店客房超售数的预测方法，其特征在于，所述步骤S1进一步包括：

清洗历史订单数据，替换异常值；

以一天的历史订单数据作为一个样本，构建入住率样本集；所述入住率样本集包括入住时间、入住率影响因素及相应的日入住率，其中，入住率影响因素包括入住时间类变量、客户类变量、订单类变量及酒店类变量。

3.如权利要求2所述的酒店客房超售数的预测方法，其特征在于，所述以一天的历史订单数据作为一个样本，构建入住率样本集进一步包括：

将入住率影响因素中的无序多分类变量转化为有数值大小的有序多分类变量；

根据日入住率预测模型的需要，以入住时间为汇总字段对历史订单数据进行汇总，计算日入住率并将入住率影响因素汇总到日维度；

其中，对有序多分类变量以及数值变量进行数值平均化处理，将逻辑变量根据实际业务赋值0或1；

将所有入住率影响因素的变量进行归一化处理。

4.如权利要求3所述的酒店客房超售数的预测方法，其特征在于，所述步骤S2进一步包括：

基于入住率样本集，通过多元回归算法进行入住率影响因素的变量选择，计算各变量的回归系数；

建立KNN模型，计算待预测日与入住率样本集中各样本间的距离，将所述回归系数作为相应入住率影响因素的距离权重，得到所述日入住率预测模型。

5.如权利要求4所述的酒店客房超售数的预测方法，其特征在于，所述通过多元回归算法进行入住率影响因素的变量选择，计算各变量的回归系数进一步包括：

选取m个入住率影响因素的变量作为多元回归算法的自变量，并依次命名为x₁-x_m，将实际入住率命名为y，计算得到各个自变量与入住率的回归系数β₀-β_m，其回归方程为：

y＝β₀+β₁x₁+β₂x₂+...+β_mx_m+σ

式中，β₀-β_m表示自变量x与入住率y之间的回归系数，σ表示随机误差。

6.如权利要求4所述的酒店客房超售数的预测方法，其特征在于，所述步骤S3进一步包括：

根据与待预测日距离最近的历史日期的入住率，所述日入住率预测模型输出待预测日的入住率预测值；

根据所述入住率预测值，得到待预测日的入住人数的概率分布，结合客房价格，建立收益模型；

相应的，所述步骤S4进一步包括：

基于入住人数的概率分布及收益模型，建立第i天入住k位旅客的期望收益模型，所述期望收益模型为：

其中，c为每个客房的运营成本；m为每日可销售的最大客房数，x为超售下的客房销售数量，x＞m，x∈N；r为每个客房的价格；b为超售下每个客房的赔偿金额，R为酒店总收益，P(k)为第i天入住k位旅客的概率；

采用枚举法求解最大期望收益E(R)max及相应的客房销售数量x。